我将制定一个我想用机器学习（在 R 或类似平台中）解决的简单问题：我的算法采用3 个参数（a、b、c），并返回[0,1] 范围内的分数s . 参数都是分类的：a 有 3 个选项，b 有 4 个，c 有 10 个。因此我的数据集有 3 * 4 * 10 = 120 个案例。高分是可取的（接近 1），低分不是（接近 0）。让我们将算法视为一个黑匣子，取 a,b,c 并返回 a s。
数据集如下所示：
a, b, c, s
------------------
a1, b1, c1, 0.223
a1, b1, c2, 0.454
...
如果我为每个参数绘制 s 的密度，我会得到非常广泛的分布，在某些情况下表现非常好 (s > .8 )，而在其他情况下表现不佳 (s < .2 )。
如果我查看 s 非常高的情况，我看不到任何清晰的模式。总体表现不佳的参数值与特定参数结合起来可以表现得非常好，反之亦然。
为了衡量特定值的执行情况（例如 a1），我计算了中位数：
median( mydataset[ a == a1]$s )
例如，中位数（a1）=.5，中位数（b3）=.9，但是当我将它们组合时，我得到的结果 s(a_1,b_3)=.3 较低。另一方面，中位数(a2)=.3，中位数(b1)=.4，但 s(a2,b1)=.7。
鉴于没有总是表现良好的参数值，我想我应该寻找似乎一起表现良好的组合（2个参数），以统计学上显着的方式（即排除恰好具有非常高分数的异常值）。换句话说，我想获得一个策略来做出最佳参数选择，例如表现最好的组合是（a1，b3），（a2，b1）等。
现在，我想这是一个可以使用机器学习解决的优化问题。
在这种情况下，您会推荐哪些标准技术？
编辑：有人建议使用glpk的线性规划解决方案，但我不明白如何将线性规划应用于这个问题。